ml-timeserieslisted

# Skill: ml-timeseries Pipeline especializado para previsao de series temporais em saude. ## Bibliotecas preferidas | Lib | Uso | |-----|-----| | skforecast | Forecasting com sklearn (LightGBM, XGBoost) | | statsmodels | ARIMA, SARIMAX, decomposicao | | prophet | Sazonalidade complexa, feriados | | pytorch/LSTM | Sequencias longas, dados multivaridos | | tslearn | Clustering de series | ## Passos ### 1. Analise exploratoria - Plot da serie completa - Decomposicao: tendencia, sazonalidade, residuo - Teste de estacionariedade (ADF, KPSS) - ACF e PACF para identificar lags ### 2. Preprocessing - Frequencia: garantir indice temporal regular (resample se necessario) - Missing: interpolacao temporal (nao ffill/bfill cegamente) - Outliers: IQR ou z-score, mas considerar surtos epidemiologicos como reais - Diferenciacao se nao-estacionaria ### 3. Feature engineering temporal - Lags: 1, 7, 14, 28 dias (ou equivalente da frequencia) - Rolling: media e std movel (7, 14, 30 dias) - Calendario: dia da semana, mes, feriado, estacao - Exogenas: clima, campanhas de vacinacao, eventos de saude publica ### 4. Modelagem **Abordagem escalonada:** 1. Baseline: naive (ultimo valor), media movel 2. Estatistico: ARIMA/SARIMAX 3. ML: skforecast com LightGBM (ForecasterAutoreg) 4. Deep: LSTM se dados > 1000 pontos **Validacao:** TimeSeriesSplit ou expanding window. NUNCA shuffle em series temporais. ### 5. Metricas - MAE, RMSE, MAPE - Coverage do intervalo de confianca - Plot: observado